JP6221414B2 - 判定装置、判定プログラムおよび判定方法 - Google Patents

Description

本発明は、判定装置、判定プログラムおよび判定方法に関し、例えばロボットが行なう作業の良否を判定する判定装置、判定プログラムおよび判定方法に関する。

産業用ロボット等のロボットを用いた作業が広く行なわれている。ロボットが行なう作業の良否判定を、作業の良否に関連付けられた特徴量の平均値および分散値に基づいて行なうことが知られている（例えば、特許文献１）。搬送物を吸着する吸着パッドの吸着圧力が安定するまでの間の吸着圧力の過渡データに基づき吸着パッドの磨耗を判断することが知られている（例えば、特許文献２）。回帰係数を用いて、機器の異常を検出することが知られている（例えば、特許文献３）。

特開２０１１−２３０２４５号公報 特開２０１２−１５２８４３号公報 特開平６−４７８９号公報

作業の良否判定を、あるデータの平均値や分散値を用いて行なう場合、データが非定常性を有する過度区間であると、平均値や分散値が発散して、正しく良否判定ができない場合がある。作業者等が経験や勘を考慮してデータの過渡区間であるかを定める場合、過渡区間を作業者等が決定するため手間がかかる。データが定常的な定常区間と非定常的な過渡区間とで作業の良否を同じ判定方法で行なうと、判定が適切でない場合がある。このように、性質の異なる区間に対し、作業の良否を同じ判定方法で行なうと、判定が適切でない場合がある。

本判定装置、判定プログラムおよび判定方法は、作業の良否判定を適切に行なうことを目的とする。

ロボットが行なう作業の状況を検出するセンサが出力する時系列なデータ列から定常モデルを用い前記データ列のうちのデータを推定した推定値を算出し、前記推定値と前記データとの残差を用いモデル選択の基準を算出し、前記基準が閾値以下の場合前記データは前記データが定常的である第１区間に属すると判定し、前記基準が閾値より大きい場合前記データは前記データが過渡的である第２区間に属すると判定する第１判定部と、前記データが前記第１区間に属するときと前記第２区間に属するときとで、前記データに対応する作業の良否を異なる方法を用い判定する第２判定部と、を具備することを特徴とする判定装置を用いる。

コンピュータに、ロボットが行なう作業の状況を検出するセンサが出力する時系列なデータ列から定常モデルを用い前記データ列のうちのデータを推定した推定値を算出させ、前記推定値と前記データとの残差を用いモデル選択の基準を算出させ、前記基準が閾値以下の場合前記データは前記データが定常的である第１区間に属すると判定させ、前記基準が閾値より大きい場合前記データは前記データが過渡的である第２区間に属すると判定させ、前記データが前記第１区間に属するときと前記第２区間に属するときとで、前記データに対応する作業の良否を異なる方法を用い判定させることを特徴とする判定プログラムを用いる。

コンピュータが実行する判定方法であって、ロボットが行なう作業の状況を検出するセンサが出力する時系列なデータ列から定常モデルを用い前記データ列のうちのデータを推定した推定値を算出し、前記推定値と前記データとの残差を用いモデル選択の基準を算出し、前記基準が閾値以下の場合前記データは前記データが定常的である第１区間に属すると判定し、前記基準が閾値より大きい場合前記データは前記データが過渡的である第２区間に属すると判定するステップと、前記データが前記第１区間に属するときと前記第２区間に属するときとで、前記データに対応する作業の良否を異なる方法を用い判定するステップと、を含むことを特徴とする判定方法を用いる。

本判定装置、判定プログラムおよび判定方法によれば、作業の良否判定を適切に行なうことができる。

図１（ａ）は、実施例１が用いられるロボットシステムのブロック図、図１（ｂ）は、実施例１が用いられるロボットの例を示す図である。 図２（ａ）は、実施例１に係る判定装置として機能するコンピュータのブロック図、図２（ｂ）は、判定装置の機能ブロック図である。 図３は、コンピュータが行なう作業を示すフローチャートである。 図４は、判定装置が行なう処理を示すフローチャートである。 図５（ａ）から図５（ｃ）は、実施例１における判定方法を示す図（その１）である。 図６（ａ）および図６（ｂ）は、実施例１における判定方法を示す図（その２）である。 図７は、第１判定部が区間の判定を行なう例を示すフローチャートである。 図８（ａ）から図８（ｄ）は、過渡判別量の算出方法を示す図である。 図９（ａ）は、ポイントに対する信号を示す図、図９（ｂ）は、ポイントに対する過渡判別量を示す図である。 図１０（ａ）から図１０（ｃ）は、実施例２における作業の内容を示す図（その１）である。 図１１（ａ）から図１１（ｃ）は、実施例２における作業の内容を示す図（その２）である。 図１２（ａ）は、実施例２におけるポイントに対するセンサの信号を示す図、図１２（ｂ）は、ポイントに対する過渡判別量を示す図である。

以下、図面を参照し、実施例について説明する。

図１（ａ）は、実施例１が用いられるロボットシステムのブロック図、図１（ｂ）は、実施例１が用いられるロボットの例を示す図である。図１（ａ）に示すように、ロボットシステム１００は、ロボット２２、センサ２４およびコンピュータ１０を備えている。ロボット２２は、例えば産業用ロボットである。図１（ｂ）に示すように、ロボット２２は、例えば、ステージ２５およびマニピュレータ２６を備えている。マニピュレータ２６は、例えば用具２８を用い作業を行なう。用具２８は例えばピンセットである。ステージ２５は、マニピュレータ２６を支持する。マニピュレータ２６には、センサ２４が設けられている。センサ２４は、ロボット２２が行なう作業の状況を検出する。センサ２４は、例えばマニピュレータ２６の歪みを検出する歪みセンサである。センサ２４としては、例えば、３軸または６軸力覚センサを用いてもよい。この場合、センサ２４は、作用点の力ベクトルおよび／またはトルクを検出する。また、センサ２４は、荷重センサ、圧力センサ、加速度センサまたはマイクロフォンでもよい。さらに、センサ２４は、１次元画像センサ、または、ＣＣＤ（Charge Coupled Device）センサまたはＣＭＯＳ（Complimentary Metal Oxide Semiconductor）センサ等の２次元画像センサでもよい。

図２（ａ）は、実施例１に係る判定装置として機能するコンピュータのブロック図である。コンピュータ１０は、判定方法および判定プログラムを実行する。コンピュータ１０は、プロセッサであるＣＰＵ（Central Processing Unit）１１、表示装置１２、入力装置１３および出力装置１４を備えている。さらに、コンピュータ１０は、主記憶装置１５、ハードディスクドライブ（ＨＤＤ）１６、記憶媒体用ドライブ１７、通信インターフェース１８および内部バス１９を備えている。表示装置１２は、例えば液晶パネル等の表示パネルを含み、処理結果等を表示する。入力装置１３は、例えばキーボード、マウスおよびタッチパネル等であり、処理データ等を入力する。出力装置１４は、例えばプリンタであり、処理結果等を出力する。主記憶装置１５は、例えばＤＲＡＭ（Dynamic Random Access Memory）等の揮発性メモリであり、処理中のデータを記憶する。ＨＤＤ１６は、例えば処理中または処理後のデータを記憶する。記憶媒体用ドライブ１７は、記憶媒体２１に格納されたプログラムをインストールする際に用いる。または、処理後のデータを記憶媒体２１に記憶させる。通信インターフェース１８は、他のコンピュータと接続し、他のコンピュータとデータの送受信を行なう。内部バス１９は、コンピュータ１０内の各装置を接続する。

プログラムを格納するコンピュータ１０が読み取り可能な記憶媒体２１として可搬型記憶媒体を用いることができる。可搬型記憶媒体としては、例えば、ＣＤ−ＲＯＭ（Compact Disc Read Only Memory）ディスク、ＤＶＤ（Digital Video Disc）ディスク、ブルーレイディスクまたはＵＳＢ（Universal Serial Bus）メモリ等を用いることができる。記憶媒体２１として、フラッシュメモリまたはＨＤＤ等を用いてもよい。

図２（ｂ）は、判定装置の機能ブロック図である。判定装置３０は、第１判定部３２および第２判定部３４を備えている。コンピュータ１０は、ソフトウエアと協働し、第１判定部３２および第２判定部３４として機能する。

図３は、コンピュータが行なう作業を示すフローチャートである。ロボット２２が行なう一連の作業を複数の作業に分割して行なう例である。図３を参照し、コンピュータ１０は、一連の作業の時系列の教示データ列を取得する（ステップＳ１０）。教示データ列は、時系列にロボット２２に作業を行なわせるデータである。教示データ列は、例えば通信インターフェース１８を介し外部から取得してもよい。また、予めＨＤＤ１６等の記憶装置に格納していてもよい。コンピュータ１０は、教示データ列に基づき、ロボット２２に最初の作業をさせる（ステップＳ１２）。コンピュータ１０は、最初の作業が良か否か判定する（ステップＳ１４）。Ｎｏの場合、コンピュータ１０は作業を不良とする（ステップＳ１７）。その後、終了する。良の場合、コンピュータ１０は、終了か否かを判定する（ステップＳ１８）。例えば、一連の作業が終了していれば、コンピュータ１０は終了と判定する。Ｙｅｓの場合終了する。Ｎｏの場合、コンピュータ１０は、次の作業に移る（ステップＳ２０）。ステップＳ１２に戻る。なお、教示データ列は、作業毎に取得してもよい。この場合、ステップＳ１０に戻る。

図４は、判定装置が行なう処理を示すフローチャートである。図３のステップＳ１６の良否安定を行なうステップの例である。図４を参照し、第１判定部３２は、判定する作業のセンサ２４の出力信号の時系列なデータ列を取得する（ステップＳ３０）。第１判定部３２は、データ列のうち１または複数のデータにおける区間を判定する（ステップＳ３２）。例えば、１または複数のデータが定常的な区間を第１区間、データが過渡的な区間を第２区間とする。第１判定部３２は、１または複数のデータが第１区間に属するか第２区間に属するか判定する（ステップＳ３４）。第１区間の場合、第２判定部３４は、１または複数のデータに基づき作業の第１良否判定を行なう（ステップＳ３６）。第２判定部３４は、良か否かを判断する（ステップＳ３８）。Ｎｏの場合、第２判定部３４は、作業を不良とし終了する（ステップＳ４０）。Ｙｅｓの場合ステップＳ４８に進む。

ステップＳ３４において、第２区間の場合、第２判定部３４は、１または複数のデータに基づき作業の第２良否判定を行なう（ステップＳ４２）。第２判定部３４は、良か否かを判断する（ステップＳ４４）。Ｎｏの場合、第２判定部３４は、作業を不良とし終了する（ステップＳ４６）。Ｙｅｓの場合ステップＳ４８に進む。第２判定部３４は、終了か否か判断する（ステップＳ４８）。例えば、判定する作業内の最後のデータであれば終了する。Ｎｏの場合、第１判定部３２は、次の１または複数のデータに移り（ステップＳ５０）、ステップＳ３２に戻る。なお、データ列を各１または複数のデータごとに取得してもよい。この場合、ステップＳ３０に戻る。ステップＳ４８においてＹｅｓの場合、第２判定部３４は、判定する作業を良と判定する（ステップＳ５２）。その後、終了する。

図５（ａ）から図６（ｂ）は、実施例１における判定方法を示す図である。図５（ａ）、図５（ｃ）から図６（ｂ）は、時刻に対するセンサの出力信号を示す。出力信号は、例えば電圧である。図５（ｂ）は、時刻に対する過渡判別量を示す図である。例えばセンサ２４が一定間隔Δｔで信号を出力する場合、データ列のポイント間隔がΔｔに対応する。

図５（ａ）を参照し、センサ２４が出力する信号が時系列なデータ列４０となっている。作業の中にデータ列４０が安定している定常的な区間と大きく変化している過渡的な区間とがある。図５（ｂ）を参照し、データ列４０に基づき、時系列な過渡判別量列４２を算出する。過渡判別量列４２は、データ列４０が安定している時刻では小さく、安定していない時刻では大きくなる。過渡判別量列４２に対し閾値４４が設けられている。図５（ｃ）を参照し、過渡判別量列４２が閾値４４以上のときのデータを第２区間Ｔ２と判定し、過渡判別量列４２が閾値より小さいときのデータを第１区間Ｔ１と判定する。これにより、データ列４０が安定している区間を第１区間Ｔ１、安定していない区間を第２区間Ｔ２とすることができる。

図６（ａ）を参照し、第１区間Ｔ１における作業の良否の判定方法について説明する。予め、同じ作業を複数回行ない、各時刻における出力信号（各データ列）の分散を算出しておく。下限４６は、複数回行なった作業のデータ列の（平均−Ａ×標準偏差）を示す。上限４８は、複数回行なった作業のデータ列の（平均＋Ａ×標準偏差）を示す。Ａは正の自然数であり、例えば３である。第２判定部３４は、ステップＳ３６において、データ列４０が上限４８と下限４６の中に入っているか否かで、作業の良否を判定する。例えば、データ列４０のうち第１区間Ｔ１内の全てが上限４８と下限４６との間の場合、作業を良と判定する。または、データ列４０のうち第１区間Ｔ１内の一部が上限４８と下限４６との間の場合、作業を良と判定してもよい。

図６（ｂ）を参照し、第２区間Ｔ２における作業の良否の判定方法について説明する。第２区間Ｔ２は第１区間Ｔ１とは異なる方法を用い作業の良否を判定する。例えば、第２判定部３４は、機械学習を用い学習した内容に基づき第２区間における作業の良否を判定する。

図７は、第１判定部が区間の判定を行なう例を示すフローチャートである。図８（ａ）から図８（ｄ）は、過渡判別量の算出方法を示す図である。図７を参照し、第１判定部３２は、過渡判別量を算出するためのウインド幅５２を設定する（ステップＳ６０）。図８（ａ）を参照し、データ列４０が時刻に対し図示されている。例えば時刻ｔ２におけるデータ５０を中心に時刻ｔ１とｔ３との間をウインド幅５２とする。図７を参照し、第１判定部３２は、数理モデルを用い推定値を算出する（ステップＳ６２）。図８（ｂ）を参照し、推定値列５６は、データ５０を中心とするウインド幅５２内のデータに対応して算出する。例えば時刻ｔ１のデータ５０ａに対応する推定値５６は、時刻ｔ４から時刻ｔ１の直前までの幅５４のデータを用いて算出する。時刻ｔ２のデータ５０に対応する推定値５６は、時刻ｔ５から時刻ｔ２の直前までの幅５４のデータを用いて算出する。時刻ｔ３のデータ５０ｂに対応する推定値５６は、時刻ｔ６から時刻ｔ３の直前までの幅５４のデータを用いて算出する。このようにして、時系列に推定値列５６が算出できる。幅５４は、例えば一定期間とする。

例えば推定値として定常自己回帰モデルを用いる場合、推定値は次式にて算出できる。

ここで、ｘ´_ｔは各時刻ｔにおけるデータの推定値、ｘ_ｔは各時刻ｔにおけるデータ、ε_ｔはノイズ項、ａ_ｉはパラメータであり、定常性の条件として｜ａ_ｉ｜＜１である。

このように、例えば時刻ｔ１におけるデータ５０ａに対応する推定値を求める場合は、過去の時刻である時刻ｔ４からｔ１の直前のデータ列４０を用いて推定値を算出する。図８（ｂ）における点線が推定値列５６である。

図７を参照し、第１判定部３２は、推定値列５６とデータ列４０の残差を算出する（ステップＳ６４）。図８（ｃ）を参照し、時刻ｔ１からｔ３における各時刻の推定値列５６とデータ列４０の差が残差５８である。各時刻ｔの残差５８（ｌ）は次式にて算出できる。

図７を参照に、第１判定部３２は、残差５８に基づき過渡判別量Ｃを算出する（ステップＳ６６）。時刻ｔ２のデータ５０の過渡判別量Ｃとして、時刻ｔ１からｔ３の残差５８を用い、例えば赤池情報量基準（ＡＩＣ：Akaike's Information Criterion）を算出する。過渡判別量Ｃは、次式にて算出できる。

ここで、σは、時刻ｔ１からｔ３の残差ｌの標準偏差、Ｎは時刻ｔ１からｔ３のデータ列４０のポイント数、ｐはモデルの次数である。各時刻における過渡判別量Ｃを時系列とした列が過渡判別量列４２である。

図７を参照し、第１判定部３２は、データが属する区間が定常的な第１区間か過渡的な第２区間かを判定する（ステップＳ６８）。判定は、図５（ｂ）および図５（ｃ）に示すように、過渡判別量Ｃが閾値以上か否かを用い行なう。

図８（ｄ）を参照し、データ５０の判定が終了すると、図４のステップＳ４８において、次のデータである時刻ｔ７におけるデータ５０ｃに移る。

次に、人工的に作成したデータ列を用い図７の方法で判定を行なった。図９（ａ）は、ポイントに対する信号を示す図、図９（ｂ）は、ポイントに対する過渡判別量を示す図である。ポイント間隔は１０ｍ秒に対応する。区間Ｔ３における信号は、定常的なデータを想定して作成した。区間Ｔ３における信号は、正規分布に従う乱数であり平均が０で一定、σ（標準偏差）が１０で一定となるデータとした。区間Ｔ４における信号は、過渡的なデータを想定して作成した。区間Ｔ４における信号は、正規分布に従う乱数であり平均が１００から１に変化し、σが１から１００に変化するデータとした。区間Ｔ５における信号は、定常的なデータを想定して作成した。区間Ｔ５における信号は、正規分布に従う乱数であり平均が５０で一定、σが１０で一定となるデータとした。データ列４０は、区間Ｔ３およびＴ５においては安定している。しかし、区間４において、データ列４０は大きく変動している。

図９（ｂ）は、図７から図８（ｄ）において説明した方法で過渡判別量を算出した結果を示す図である。区間Ｔ３およびＴ５においては、過渡判別量は２００以下と小さい。区間４においては、過渡判別量は２５０以上である。そこで、例えば２２０程度を閾値４４とする。これにより、区間Ｔ３およびＴ５を第１区間、区間Ｔ４を第２区間と判定できる。以上のように、図７から図８（ｄ）において説明した判定方法は、第１区間と第２区間を判定するために有効である。

実施例１によれば、図４のステップＳ３２のように、第１判定部３２は、データ列４０に基づき、データ列４０のうちのデータが第１区間Ｔ１に属するか第２区間Ｔ２に属するかを判定する。図４のステップＳ３４、Ｓ３６およびＳ４２のように、第２判定部３４は、データが第１区間Ｔ１に属するときと第２区間Ｔ２に属するときとで、データに対応する作業の良否を異なる方法を用い判定する。これにより、データが定常的な区間とデータが過渡的な区間とのように、性質の異なる区間に対し、適切な良否判定方法を適用することができる。

また、図７のステップＳ６２のように、第１判定部３２は、データ列４０から定常モデルを用いデータの推定値５６を算出する。ステップＳ６４のように、推定値５６とデータ５０との残差５８を算出する。ステップＳ６６のように、残差５８に基づき、データ５０が第１区間Ｔ１に属するか第２区間Ｔ２に属するかを判定する。これにより、データが定常的な区間かデータが過渡的な区間かにより、適切な良否判定方法を適用することができる。なお、定常モデルとしては、定常自己回帰モデル以外にも、移動平均モデル、自己回帰移動平均モデル等を用いることもできる。

図８（ａ）から図８（ｄ）のように、第１判定部３２は、データ５０を含む一定区間（幅５２）の残差５８に基づき、データが第１区間Ｔ１に属するか第２区間Ｔ２に属するかを判定する。これにより、適切な良否判定方法を適用することができる。

図５（ｂ）および図５（ｃ）のように、第１判定部３２は、過渡判別量４２（例えばＡＩＣ）が閾値４４以上の場合、データが第１区間Ｔ１に属すると判定する。第１判定部３２は、過渡判別量４２が閾値４４より小さいの場合、データが第２区間Ｔ２に属すると判定する。これにより、適切な良否判定方法を適用することができる。なお、過渡判別量４２として、残差、ベイズ情報量基準（ＢＩＣ: Bayesian Information Criterion）、最小記述長（ＭＤＬ:Minimum Description Length）等の統計的なモデル選択の基準を用いることができる。

第１区間Ｔ１が定常的な区間の場合、第１良否判定は、統計的手法を用い行なうことができる。統計的な手法は定常的な区間の判定に適している。統計的手法としては、例えば平均値および標準偏差を用いることができる。

第２区間Ｔ２が過渡的な区間の場合、第２良否判定は、統計的な手法以外を用いることが好ましい。例えば、第２良否判定として、機械学習法を用いることができる。機械学習法は、過渡的な区間の判定に適している。機械学習法としては、例えばサポートベクトルマシン法、単純ベイズ分類器、ｋ最近傍法またはパーセプロトンを用いることができる。

実施例２は、両面テープの剥離紙を剥がす作業を行なう例である。ロボットシステムの構成および判定方法は実施例１と同じであり説明を省略する。図１０（ａ）から図１１（ｃ）は、実施例２における作業の内容を示す図である。ロボット２２は、ピンセット７６を用い作業を行なう。ピンセット７６は、マニピュレータ２６により操作される。センサ２４は、マニピュレータ２６の歪みを検出する。図１０（ａ）を参照し、ステージ７０に両面テープ７５が貼り付けられている。両面テープ７５は、接着部７２と剥離紙７４を有している。接着部７２がステージ７０に接着されている。ステージ７０および両面テープ７５が対象物に対応する。図１０（ｂ）を参照し、ロボット２２は、ピンセット７６の先端をステージ７０に当てる。図１０（ｃ）を参照し、ロボット２２は、ピンセット７６を剥離紙７４と接着部７２との間に挿入する。

図１１（ａ）を参照し、ロボット２２は、ピンセット７６を用い剥離紙７４を摘まむ。図１１（ｂ）を参照し、ロボット２２は、ピンセット７６を用い剥離紙７４を接着部７２から剥がす。図１１（ｃ）を参照し、ロボット２２は、剥がした剥離紙７４を指定した位置に移動する。

図１２（ａ）は、実施例２におけるポイントに対するセンサの信号を示す図、図１２（ｂ）は、ポイントに対する過渡判別量を示す図である。ポイント間隔は１０ｍ秒である。図１２（ａ）を参照し、区間６０は、図１０（ｂ）のように、ピンセット７６の先端をステージ７０に当る作業の区間である。区間６２は、図１０（ｃ）のように、ピンセット７６を剥離紙７４と接着部７２との間に挿入する作業の区間である。

区間６４は、図１１（ａ）のように、ピンセット７６を用い剥離紙７４を摘まむ作業の区間である。区間６６は、図１１（ｂ）のように、ピンセット７６を用い剥離紙７４を接着部７２から剥がす作業の区間である。区間６８は、図１１（ｃ）のように、剥がした剥離紙７４を指定した位置に移動する作業の区間である。

図１２（ｂ）を参照し、図７から図８（ｄ）において説明した方法で過渡判別量列４２を算出した。閾値４４を約９５とする。過渡判別量列４２が閾値４４以上の区間を第２区間Ｔ２、過渡判別量列４２が閾値４４より小さい区間を第１区間Ｔ１とする。

実施例２のように、データ列４０から第１区間Ｔ１および第２区間Ｔ２を適切に判定することができる。

以上、本発明の実施例について詳述したが、本発明は係る特定の実施例に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

なお、以上の説明に関して更に以下の付記を開示する。
（付記１）ロボットが行なう作業の状況を検出するセンサが出力する時系列なデータ列に基づき、前記データ列のうちのデータが第１区間に属するか第２区間に属するかを判定する第１判定部と、前記データが前記第１区間に属するときと前記第２区間に属するときとで、前記データに対応する作業の良否を異なる方法を用い判定する第２判定部と、を具備することを特徴とする判定装置。
（付記２）前記第１判定部は、前記データ列から定常モデルを用い前記データを推定した推定値と前記データとの残差に基づき、前記データが前記第１区間に属するか前記第２区間に属するかを判定することを特徴とする付記１記載の判定装置。
（付記３）前記第１判定部は、前記データを含む一定区間の前記残差に基づき、前記データが前記第１区間に属するか前記第２区間に属するか判定することを特徴とする付記２記載の判定装置。
（付記４）前記第１判定部は、前記残差を用い算出したモデル選択の基準が閾値以上の場合、前記データが前記第１区間に属すると判定し、前記基準が閾値より小さいの場合、前記データが前記第２区間に属すると判定することを特徴とする付記２または３記載の判定装置。
（付記５）前記モデル選択の基準は、ＡＩＣ、ＢＩＣまたはＭＤＬであることを特徴とする付記４記載の判定装置。
（付記６）第２判定部は、前記データが前記第１区間に属するとき、前記データに対応する作業の良否を、過去の前記作業のデータの標準偏差および平均を用いて判定することを特徴とする付記１から５のいずれか一項記載の判定装置。
（付記７）第２判定部は、前記データが前記第２区間に属するとき、前記データに対応する作業の良否を、過去の前記作業のデータからの機械学習を用いて判定することを特徴とする付記１から５のいずれか一項記載の判定装置。
（付記８）第２判定部は、前記データが前記第１区間に属するとき、前記データに対応する作業の良否を、過去の前記作業のデータの標準偏差および平均を用いて判定し、前記データが前記第２区間に属するとき、前記データに対応する作業の良否を、過去の前記作業のデータからの機械学習を用いて判定することを特徴とする付記１から５のいずれか一項記載の判定装置。
（付記９）コンピュータに、ロボットが行なう作業の状況を検出するセンサが出力する時系列なデータ列に基づき、前記データ列のうちのデータが第１区間に属するか第２区間に属するかを判定させ、前記データが前記第１区間に属するときと前記第２区間に属するときとで、前記データに対応する作業の良否を異なる方法を用い判定させることを特徴とする判定プログラム。
（付記１０）コンピュータが実行する判定方法であって、ロボットが行なう作業の状況を検出するセンサが出力する時系列なデータ列に基づき、前記データ列のうちのデータが第１区間に属するか第２区間に属するかを判定するステップと、前記データが前記第１区間に属するときと前記第２区間に属するときとで、前記データに対応する作業の良否を異なる方法を用い判定するステップと、
を含むことを特徴とする判定方法。

１０ コンピュータ
２２ ロボット
２４ センサ
３０ 判定装置
３２ 第１判定部
３４ 第２判定部
４０ データ列
４２ 過渡判別量列
４４ 閾値
５６ 推定値

Claims (6)

1. ロボットが行なう作業の状況を検出するセンサが出力する時系列なデータ列から定常モデルを用い前記データ列のうちのデータを推定した推定値を算出し、前記推定値と前記データとの残差を用いモデル選択の基準を算出し、前記基準が閾値以下の場合前記データは前記データが定常的である第１区間に属すると判定し、前記基準が閾値より大きい場合前記データは前記データが過渡的である第２区間に属すると判定する第１判定部と、
   前記データが前記第１区間に属するときと前記第２区間に属するときとで、前記データに対応する作業の良否を異なる方法を用い判定する第２判定部と、
   を具備することを特徴とする判定装置。
2. 前記定常モデルは、定常自己回帰モデル、移動平均モデルまたは自己回帰移動平均モデルであり、
   前記基準は、ＡＩＣ、ＢＩＣまたはＭＤＬの基準である請求項１記載の判定装置。
3. 前記残差は、前記データを含む一定区間の前記推定値と前記データとの残差であることを特徴とする請求項１または２記載の判定装置。
4. 第２判定部は、前記データが前記第１区間に属するとき、前記データに対応する作業の良否を、過去の前記作業のデータの標準偏差および平均を用いて判定し、前記データが前記第２区間に属するとき、前記データに対応する作業の良否を、過去の前記作業のデータからの機械学習を用いて判定することを特徴とする請求項１から３のいずれか一項記載の判定装置。
5. コンピュータに、
   ロボットが行なう作業の状況を検出するセンサが出力する時系列なデータ列から定常モデルを用い前記データ列のうちのデータを推定した推定値を算出させ、前記推定値と前記データとの残差を用いモデル選択の基準を算出させ、前記基準が閾値以下の場合前記データは前記データが定常的である第１区間に属すると判定させ、前記基準が閾値より大きい場合前記データは前記データが過渡的である第２区間に属すると判定させ、
   前記データが前記第１区間に属するときと前記第２区間に属するときとで、前記データに対応する作業の良否を異なる方法を用い判定させることを特徴とする判定プログラム。
6. コンピュータが実行する判定方法であって、
   ロボットが行なう作業の状況を検出するセンサが出力する時系列なデータ列から定常モデルを用い前記データ列のうちのデータを推定した推定値を算出し、前記推定値と前記データとの残差を用いモデル選択の基準を算出し、前記基準が閾値以下の場合前記データは前記データが定常的である第１区間に属すると判定し、前記基準が閾値より大きい場合前記データは前記データが過渡的である第２区間に属すると判定するステップと、
   前記データが前記第１区間に属するときと前記第２区間に属するときとで、前記データに対応する作業の良否を異なる方法を用い判定するステップと、
   を含むことを特徴とする判定方法。
   

Images